Incidence of COVID-19 reinfection among Midwestern healthcare employees
Notice bibliographique
Résumé
Given the overwhelming worldwide rate of infection and the disappointing pace of vaccination, addressing reinfection is critical. Understanding reinfection, including longevity after natural infection, will allow us to better know the prospect of herd immunity, which hinges on the assumption that natural infection generates sufficient, protective immunity. The primary objective of this observational cohort study is to establish the incidence of reinfection of COVID-19 among healthcare employees who experienced a prior COVID-19 infection over a 10-month period. Of 2,625 participants who experienced at least one COVID-19 infection during the 10-month study period, 156 (5.94%) experienced reinfection and 540 (20.57%) experienced recurrence after prior infection. Median days were 126.50 (105.50-171.00) to reinfection and 31.50 (10.00-72.00) to recurrence. Incidence rate of COVID-19 reinfection was 0.35 cases per 1,000 person-days, with participants working in COVID-clinical and clinical units experiencing 3.77 and 3.57 times, respectively, greater risk of reinfection relative to those working in non-clinical units. Incidence rate of COVID-19 recurrence was 1.47 cases per 1,000 person-days. This study supports the consensus that COVID-19 reinfection, defined as subsequent infection ≥ 90 days after prior infection, is rare, even among a sample of healthcare workers with frequent exposure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».